这个仓库记录我学习 Agent 开发的过程:从一个最小可运行的 LLM 对话程序开始,逐步理解工具调用、ReAct、框架封装和多 Agent 协作。
目标不是堆复杂功能,而是把每个核心概念写成可以运行、可以观察、可以改动的小 demo。
| 文件 | 作用 |
|---|---|
simple_qwen_agent.py |
最小 Qwen 对话 Agent,理解消息历史和基础调用流程 |
react_demo.py |
手写 ReAct 教学版,显式打印 Thought / Action / Observation |
react_demo_agents_sdk.py |
使用 openai-agents SDK 实现同样的工具调用模式 |
autogen_multi_agent_demo.py |
AutoGen 多 Agent 入门:产品、工程师、评审协作完成一个小任务 |
autogen_family_dinner.py |
生活化多 Agent 场景:一家三口点餐、预算约束、动态发言调度 |
requirements.txt |
Python 依赖 |
建议使用 Python 3.9+。
cd /Users/bytedance/Documents/test
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt复制环境变量模板并填写自己的模型配置:
cp .env.example .env.env 至少需要包含:
LLM_API_KEY=your_api_key
LLM_BASE_URL=https://your-openai-compatible-endpoint/v1
LLM_MODEL_ID=your_model_id本仓库使用 OpenAI 兼容接口调用 Qwen,因此只要模型服务兼容 OpenAI Chat Completions 协议,就可以替换成其他模型。
- 先跑最小 Agent:
python3 simple_qwen_agent.py可以输入:
帮我用一句话解释什么是 agent
- 再跑手写 ReAct:
python3 react_demo.py推荐问题:
《小王子》的作者出生于哪一年?请再计算 2026 - 出生年份。
这个 demo 会把每一轮的 Thought / Action / Observation 打印出来,适合观察“模型决定调用什么工具、工具结果如何进入下一轮推理”。
- 对比框架版 ReAct:
python3 react_demo_agents_sdk.py这一版把工具定义交给 @function_tool 和 Runner,可以对比手写 ReAct 和 Agent SDK 的差异:手写版本更透明,框架版本更接近真实工程写法。
- 观察多 Agent 协作:
python3 autogen_multi_agent_demo.py
python3 autogen_family_dinner.pyAutoGen demo 重点观察多个角色如何通过消息互相影响,以及调度策略如何改变对话走向。
- Agent 和普通 ChatBot 的区别
- Prompt、状态、工具、记忆分别承担什么职责
- ReAct 为什么能把“思考”和“行动”串起来
- Function Calling 如何降低手写解析的复杂度
- 多 Agent 系统里角色、权限、调度和终止条件如何设计
- 如何通过可复现 demo 分析 Agent 的成功和失败
.env存放本地密钥,不应该提交到 Git。.env.example只保留变量名和示例值,方便别人复现。- Python 3.9 下使用
openai-agents需要eval_type_backport,已写入依赖。 - 使用非 OpenAI 官方端点时,
openai-agents需要关闭 tracing,避免请求 OpenAI tracing 服务导致认证错误。
- 给每个 demo 补充“预期输出”和“失败样例”
- 增加一个真正的外部工具调用 demo
- 增加简单 eval:同一个问题多次运行,记录成功率和失败原因
- 把学习笔记整理成
notes/目录